Pneumonia after Major Cancer Surgery: Temporal Trends and Patterns of Care
Notice bibliographique
Résumé
Rationale. Pneumonia is a leading cause of postoperative complication. Objective. To examine trends, factors, and mortality of postoperative pneumonia following major cancer surgery (MCS). Methods. From 1999 to 2009, patients undergoing major forms of MCS were identified using the Nationwide Inpatient Sample (NIS), a Healthcare Cost and Utilization Project (HCUP) subset, resulting in weighted 2,508,916 patients. Measurements. Determinants were examined using logistic regression analysis adjusted for clustering using generalized estimating equations. Results. From 1999 to 2009, 87,867 patients experienced pneumonia following MCS and prevalence increased by 29.7%. The estimated annual percent change (EAPC) of mortality after MCS was -2.4% (95% CI: -2.9 to -2.0, P < 0.001); the EAPC of mortality associated with pneumonia after MCS was -2.2% (95% CI: -3.6 to 0.9, P = 0.01). Characteristics associated with higher odds of pneumonia included older age, male, comorbidities, nonprivate insurance, lower income, hospital volume, urban, Northeast region, and nonteaching status. Pneumonia conferred a 6.3-fold higher odd of mortality. Conclusions. Increasing prevalence of pneumonia after MCS, associated with stable mortality rates, may result from either increased diagnosis or more stringent coding. We identified characteristics associated with pneumonia after MCS which could help identify at-risk patients in order to reduce pneumonia after MCS, as it greatly increases the odds of mortality.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».